[发明专利]一种基于UE速度的Radio Map分类定位方法

权利要求书

1.一种基于UE速度的Radio Map分类定位方法，其特征在于该方法具体过程为：

步骤一、获取DT/CQT/MDT采样点；

所述DT为路测；CQT为呼叫质量测试，MDT为最小化路测；

步骤二、对步骤一获取的DT/CQT/MDT采样点提取RSRP共生向量；

所述RSRP为参考信号接收功率；

步骤三、根据步骤二设计基于Adaboost分类算法的强分类函数；

步骤四：利用步骤三中训练得到的强分类函数构建离线Radio Map；

所述Radio Map为位置指纹地图；

步骤五、利用步骤三中训练得到的强分类函数和步骤四得到的离线Radio Map进行在线定位；

所述步骤一中获取DT/CQT/MDT采样点；具体过程为：

步骤一一：从LTE网络优化数据中获取DT/CQT/MDT采样点数据包，将DT采样点标记为高速运动UE，CQT采样点标记为低速运动UE或静止UE，MDT采样点无运动标签；UE为用户终端设备；

UE速度大于等于30km/h为高速，UE速度小于30km/h为低速；

步骤一二：将DT、CQT和有位置的MDT采样点经纬度进行位置网格化，将采样点位置固定于距离最近的网格节点，设置网格间隔为1米；由公式(3)计算得到1米对应经度差及纬度差，

其中，λ为采样点UE经度，为采样点UE纬度，R为地球半径，λ_A为A点经度，为A点纬度，λ_B为B点经度，为B点纬度，L_AB为A、B两点的距离，取值为1m；

步骤一三：从步骤一一中获取的DT/CQT/MDT采样点数据包中提取UE的IMSI以唯一识别UE；

IMSI为国际移动用户识别码；

步骤一四：从步骤一一中获取的DT/CQT/MDT采样点数据包中提取当前测试采样点测量时间戳；

步骤一五：从步骤一一中获取的DT/CQT/MDT采样点数据包中提取服务小区的全球小区识别码，记为CGI₀；提取服务小区RSRP测量结果，记为RSRP₀；

步骤一六：从步骤一一中获取的DT/CQT/MDT采样点数据包中提取邻区小区PCI，最多包含6个邻小区，记为PCI₁～PCI₆；获取对应于邻区PCI的RSRP测量结果，记为RSRP₁～RSRP₆；RSRP₁为邻区1参考信号接收功率；RSRP₆为邻区6参考信号接收功率；PCI为物理小区标识；RSRP为参考信号接收功率；

步骤一七：将邻区PCI与工参进行对比，当邻区PCI与工参完全一致，得到邻区CGI，记为CGI₁～CGI₆；CGI₁为邻区1全球小区识别码，CGI₆为邻区6全球小区识别码；CGI为邻区全球小区识别码；

工参包括基站位置、物理小区标识、载频频点、全球小区识别码；

步骤一八：重复步骤一一～步骤一七直到获取所有DT/CQT/MDT采样点；

所述步骤二中对步骤一获取的DT/CQT/MDT采样点提取RSRP共生向量；具体过程为：

步骤二一：从步骤一获取的DT/CQT/MDT采样点中筛选相同IMSI的采样点，即来自同一终端上报的采样点；将相同IMSI的采样点按Timestamp升序排列；在相同IMSI的采样点序列上加滑动时间窗，窗长度60s，间隔12s滑动；

所述IMSI为国际移动用户识别码；

Timestamp为当前测试采样点测量时间戳；

步骤二二：在一个时间窗内，从UE检测到多个主区或邻区中选择检测比例最高的小区c，提取其RSRP向量R_c，n为当前时间窗内小区c被检测出的次数，取值为正整数；为实数；

步骤二三：求R_c向量中元素的最小值r_cmin，元素的最大值r_cmax，则RSRP的跨度为m＝r_cmax-r_cmin+1；对R_c进行如下处理：

R′_c＝R_c-r_cmin+1 (4)

其中r_cmin＝[r_cmin r_cmin…r_cmin]_n×1，1＝[1 1…1]_n×1，如此得到的R′_c中的元素均为正整数且最小值为1；R′_c为中间变量；

步骤二四：初始化RSRP共生矩阵取

R′_c中任意一元素r′_ci及下一时刻元素r′_ci+1，即得到一个信号强度变化对(r′_ci,r′_ci+1)，令G_M中第r′_ci行第r′_ci+1列元素+1；将R′_c中所有信号强度变化对取遍，则G_M构造完成；m为RSRP的跨度，取值为正整数；

步骤二五：R′_c中共有n-1个信号强度变化对，对G_M进行归一化处理得到归一化RSRP共生矩阵

步骤二六：将RSRP共生矩阵P_M主对角线方向元素求和，令求和得到的新向量长度为11，如果求和得到的向量长度小于11，则在向量两端补相同个数的0；如果求和得到的向量长度大于11，则在向量两端截断相同个数的0，即得到等长的RSRP共生向量所述步骤三中根据步骤二设计基于Adaboost分类算法的强分类函数；具体过程为：

步骤三一：对步骤一获取的所有DT/CQT采样点按步骤二中所述方法提取RSRP共生向量；

步骤三二：将DT/CQT采样点权重初始化为D₁(i)＝0.5/w(class(i))，其中w(class(i))为采样点i所属标签的DT/CQT采样点总数；

class(i)为采样点i的先验类别标签；i为DT/CQT采样点中第i个；

步骤三三：将CART作为弱分类器；训练每个弱分类器CART时，得到每个弱分类器CART的预测输出，从而得到预测序列g_t(x)的预测误差和，其计算公式为：

其中，i满足g_t(x_i)为预测值，y_i为期望值；φ为阈值，取值为0-0.5；D_t(i)为第t次迭代的DT/CQT采样点权重；

步骤三四：根据预测序列g_t(x)的预测误差ε_t，计算预测序列g_t(x)的权重a_t，计算公式为：

步骤三五：根据预测序列g_t(x)的权重a_t，得到下一轮DT/CQT采样点的权重，调整公式为：

其中，Z_t为归一化因子，以使D_t+1(i)为第t+1次迭代的样本权重；w为DT/CQT采样点总数w＝w(-1)+w(+1)，取值为正整数；

步骤三六：重复步骤三三～步骤三五直到达到迭代次数上限T，得到T个弱分类函数f(g_t(x),a_t)，将其组合得到强分类函数h(x)：

式中，a_t为第t次迭代的弱分类器权重；迭代次数上限T为人为设定，取值为10-1000；f(g_t(x),a_t)为第t次迭代的弱分类器；

所述步骤四中利用步骤三中训练得到的强分类函数构建离线Radio Map；具体过程为：

步骤四一：利用步骤三中训练得到的强分类函数，对离线阶段采样点的运动状态进行分类；

离线阶段采样点为步骤一获取的所有MDT采样点中有位置的采样点；

滑动时间窗长度为60s，间隔为12s，则每个离线阶段采样点能得到5个分类结果，设离线阶段采样点低速运动的状态标签为-1，离线阶段采样点高速运动的状态标签为+1，则每一个离线阶段采样点的状态label表示为：

h_i(x)为Adaboost强分类器预测结果；

离线阶段采样点低速运动的状态标签label为-1时，标记为CQT的采样点；离线阶段采样点高速运动的状态标签label为+1时，标记为DT的采样点；

步骤四二：将标记为DT的采样点合并构建DT离线Radio Map；

合并相同的标记为DT的采样点，即得到一个RP，对于相同的CGI，将各个标记为DT的采样点测量的RSRP取平均值；重复以上步骤直到所有标记为DT的采样点合并完成，得到Radio Map，Radio Map中包含位置、小区编号和信号强度三部分信息；假设有j个RP，由于测量报告中的邻区个数不定，则每个RP对应的AP个数可能不同；λ为采样点UE经度；为采样点UE纬度；j取值为正整数，RP为参考点，AP为接入点；

步骤四三：将标记为CQT的采样点合并构建CQT离线Radio Map，

合并相同的标记为CQT的采样点，即得到一个RP，对于相同的CGI，将各个标记为CQT的采样点测量的RSRP取平均值；重复以上步骤直到所有标记为CQT的采样点合并完成，得到Radio Map，Radio Map中包含位置、小区编号和信号强度三部分信息；假设有d个RP，由于测量报告中的邻区个数不定，则每个RP对应的AP个数可能不同；λ为采样点UE经度；为采样点UE纬度；d取值为正整数；

DT离线Radio Map和CQT离线Radio Map构成离线Radio Map；

所述步骤五中利用步骤三中训练得到的强分类函数和步骤四得到的离线Radio Map进行在线定位；具体过程为：

步骤五一：利用步骤三中训练得到的强分类函数，对在线阶段采样点的运动状态进行分类；

在线阶段采样点为步骤一获取的所有MDT采样点中没有位置的采样点；

滑动时间窗长度为60s，间隔为12s，则每个在线阶段采样点能得到5个分类结果，设在线阶段采样点低速运动的状态标签为-1，在线阶段采样点高速运动的状态标签为+1，则每一个在线阶段采样点的状态label表示为：

式中，h_i(x)为Adaboost强分类器预测结果；

在线阶段采样点低速运动的状态标签label为-1时，标记为CQT的采样点；label为+1时，标记为DT的采样点；

步骤五二：由步骤五一得到的在线阶段采样点运动状态分类结果，在步骤四得到的离线Radio Map中匹配对应的离线Radio Map；筛选同时包含CGI₀～CGI_n的参考点，并计算在线RSRP与离线Radio Map中的参考点的信号空间欧氏距离；假设第p个参考点同时包含所有的在线CGI，且在参考点中对应的CGI为CGI_p0～CGI_pn，对应的RSRP为RSRP_p0～RSRP_pn，则在线采样点RSRP与Radio Map中第p个参考点的信号空间欧氏距离d_p为：

参考点为步骤一获取的所有MDT采样点中有位置的采样点合并后的点；p取值为正整数；

式中||·||₂为矩阵的L2范数；RSRP_p为针对1个参考点的参考点p的RSRP测量结果；RSRP为参考信号接收功率；CGI₀为针对1个参考点的服务小区的全球小区识别码；CGI_n为针对1个参考点的邻小区n的全球小区识别码；n取值为1-6；CGI_p0为参考点p的服务小区的全球小区识别码；CGI_pn为参考点p的邻小区n的全球小区识别码；RSRP_p0为参考点p的服务小区的RSRP测量结果；RSRP_pn为参考点p的邻小区n的RSRP测量结果；p为正整数；

步骤五三：选择欧氏距离d_p最小的k个参考点，通过下式估计测试点位置：

式中，为在线参考点估计经度；为在线参考点估计纬度；k取值为3-5；λ_l为选出的第l个参考点的经度；为选出的第l个参考点的纬度；d_p为在线采样点RSRP与第p个参考点的信号空间欧氏距离。